CN110416996A - 一种基于云平台的分布式光伏集群功率预测系统 - Google Patents
一种基于云平台的分布式光伏集群功率预测系统 Download PDFInfo
- Publication number
- CN110416996A CN110416996A CN201910410091.9A CN201910410091A CN110416996A CN 110416996 A CN110416996 A CN 110416996A CN 201910410091 A CN201910410091 A CN 201910410091A CN 110416996 A CN110416996 A CN 110416996A
- Authority
- CN
- China
- Prior art keywords
- data
- subsystem
- module
- distributed
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims 1
- 239000006185 dispersion Substances 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004393 prognosis Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000010248 power generation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101001089248 Homo sapiens Receptor-interacting serine/threonine-protein kinase 4 Proteins 0.000 description 2
- 102100033734 Receptor-interacting serine/threonine-protein kinase 4 Human genes 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于云平台的分布式光伏集群功率预测系统，属于分布式光伏控制的技术领域。其技术方案为：集群功率预测子系统采集云平台子系统中的数据并对数据进行修订，修订后的数据反馈给云平台子系统，统计报表子系统采集集群功率预测子系统中的数据并对数据进行统计和保存，再将统计和保存的数据发送至新能源平台，新能源平台对接收到的数据进行分析再将数据反馈给统计报表子系统进行保存。本发明有益效果为：将区域内分布式光伏统一进行功率预测；考虑到分布式光伏容量小、数量多且分散的特点，利用数值天气预报将预测目标区域进行3×3km网格化数据，再根据预测区域观测数据的数据同化处理，进而得到区域内全部分布式光伏的精确气象预测数据。
Description
技术领域
本发明涉及分布式光伏控制的技术领域，尤其涉及一种基于云平台的分布 式光伏集群功率预测系统。
背景技术
随着大量的分布式项目接入电网，对于大电网来说，分布式光伏是一个不 可控源,其出力的随机性造成了大电网与分布式电源的主要矛盾,随其装机占 比逐年提升,开展对分布式光伏发电功率预测的研究变的十分必要。然而,相对 于传统光伏电站，分布式光伏电站容量较小且数据多，同时存在历史数据收集 困难、实施监测数据缺乏等问题，对单个电站的功率预测造成了困难。
关于电站数据质量问题：有的电站存在逆变器等设备通信稳定性较差、丢 失部分重要数据、关键数据采集不完整，气象辐照数据精确度不高，电站运行 管理不完善(灰尘覆盖、遮挡、逆变器故障)等一系列问题；
关于气象预报准确性问题：分布式光伏电站其装机容量小，光伏组件占地 面积小，而且较为分散，若对单个分布式光伏电站进行预报，分布式光伏的特 点要求云量预测的精度更高，进一步放大了数值天气预报的误差；
关于预测模型算法问题：光伏发电的预测方法根据所建立的预测模型不同 分为物理方法和统计方法，物理方法是考虑地形变化，地貌粗糙度等信息，采 用物理方程进行预测。物理方法不需大量的实测数据，但需要对大气的物理特 征和风电场特性有非常准确的数学模拟，这些方程求解困难大，预测系统计算 量大，计算时间较长，对计算服务器配置要求高。统计方法不求解物理方程， 计算量小，计算速度快，缺点是需要大量积累的有用的历史数据；
关于数据存储问题：随着新能源规模的不断扩大，新能源设备检测数据量 的剧增，对数据处理能力提出了更高的要求，传统的数据存储及处理方法已不 不能满足新能源数据处理建设的需求。
发明内容
本发明的目的在于提供一种基于云平台的分布式光伏集群功率预测系统。
本发明是通过如下措施实现的：一种基于云平台的分布式光伏集群功率预 测系统，包括云平台子系统、集群功率预测子系统、统计报表子系统以及新能 源平台，所述集群功率预测子系统采集所述云平台子系统中的数据并对数据进 行修订后，再将修订后的数据反馈给所述云平台子系统，所述统计报表子系统 采集所述集群功率预测子系统中的数据并对所述数据进行统计和保存，再将统 计和保存的数据发送至所述新能源平台，所述新能源平台对接收到的数据进行 分析后再将数据反馈给所述统计报表子系统进行保存。
进一步的，所述云平台子系统包括数据采集子系统、天气预报子系统、分 布式数据存储子系统以及分布式数据处理子系统，所述数据采集子系统中的数 据以及所述天气预报子系统中的数据存储于所述分布式数据存储子系统中作 为一级数据，所述一级数据经所述分布式数据处理子系统处理后得到二级数据 并将所述二级数据存储于所述分布式数据存储子系统中。
进一步的，所述集群功率预测子系统包括环境数据提取模块、预测建模模 块以及预测数据发送模块，所述环境数据提取模块采集所述分布式数据存储子 系统里面的历史数值天气预报、电站气象数据以及电站实时数据，所述预测建 模模块根据所述电站气象数据、所述历史数值天气预报以及电站实时数据建立 预测建模模型，并对所述历史数值天气预报进行预测数据的修订，所述预测数 据发送模块将预测的数据发送给所述分布式数据存储子系统中。
进一步的，所述数据采集子系统包括数据通信采集模块和数据发送模块， 所述数据通信采集模块通过接口接收需求数据，所述数据发送模块将接收到的 数据发送给所述分布式数据存储子系统。
进一步的，所述天气预报子系统包括气象数据源模块、WRF模式计算模块 以及气象数据同化模块，所述气象数据源模块接入气象数据源及地形地貌作为 历史观测气象数据，所述WRF模式计算模块整合各种天气数据，经计算和推演 计算出待测区域中每个立体网格上的气象数据指标值，所述气象数据同化模块 对所述历史观测气象数据进行计算，最终得到天气预报气象数据。
进一步的，所述分布式数据处理子系统包括数据质量校验模块、数据处理 模块以及数据统计模块，所述数据质量校验模块将分布式光伏环境监测仪采集 的数据和实时采集到的有功功率、电压等数据进行完整性、合理性校验，并将 数据按照正确、缺失、越限、死数四类进行标记，所述数据处理模块将对缺失、 越限以及死数三类按照数据处理方法进行处理后存入数据库，所述数据统计模 块将按照缺失率、越限率、死数率以及正确率对全部数据进行统计分析。
进一步的，所述分布式数据存储子系统包括预测数据库、实时数据库、历 史数据预处理模块以及历史数据库，所述预测数据库接收所述天气预报气象数 据和所述功率预测模型中的数据，所述实时数据库接收分布式光伏电站实时运 行数据，环境检测仪气象数据，所述历史数据预处理模块接收来所述分布式数 据处理子系统处理后的数据并存入所述历史数据库，所述历史数据库存储整个 归档后的实时数据、预测数据以及处理后数据。
进一步的，所述统计报表子系统包括统计信息模块、报表信息模块以及数 据发送模块，所述统计信息模块将分布式光伏功率预测信息、实际功率信息、 预测气象信息、实际气象信息进行数据统计，所述报表信息模块将分布式光伏 功率统计数据、气象统计数据进行保存，所述数据发送模块将所述分布式光伏 功率统计数据以及所述气象统计数据发送至所述新能源平台。
进一步的，所述云平台子系统包括Hadoop的分布式模块以及Pass模块， 所述的Hadoop的分布式模块提供分布式计算的基础支撑以及提供海量的数据 分布式存储功能，所述Pass模块提供部署平台以及应用程序。
本发明的有益效果：本发明基于云平台的分布式集群功率预测系统从电网 管理角度出发，将区域内分布式光伏统一进行功率预测；考虑到分布式光伏容 量小、数量多且分散的特点，利用数值天气预报将预测目标区域进行3×3km 网格化数据，再根据预测区域观测数据的数据同化处理，进而得到区域内全部 分布式光伏的精确气象预测数据；同时考虑到分布式光伏数据采集接入过程中 数据质量较差，此系统对采集接入一级数据进行数据质量校验，并对缺失、越 限、死值三类数据根据相应数据处理逻辑进行处理后得到二级数据，再应用于 功率预测主系统，提高分布式功率预测精度。
附图说明
图1为基于云平台的分布式光伏集群功率预测系统结构图。
图2为云平台结构图。
图3为Hadoop的架构图。
图4为集群功率预测子系统结构图。
图5为组合模型方法结构示意图。
图6为10kV线路区域分布式发电总功率算法示意图。
图7为统计报表子系统结构示意图。
图8为数据采集子系采集方式示意图。
图9为天气预报子系统结构示意图。
图10为WRF模式系统结构示意图。
图11为三层嵌套方案实施例示意图。
图12为分布式数据处理子系统示意图。
图13为分布式数据存储子系统示意图。
其中，附图标记为：1、云平台子系统；11、数据采集子系统；12、天气 预报子系统、121、气象数据源模块；122、WRF模式计算模块；123、气象数据 同化模块；13、分布式数据存储子系统；131、预测数据库；132、实时数据库； 133、历史数据预处理模块；134、历史数据库；14、分布式数据处理子系统； 2、集群功率预测子系统；21、环境数据提取模块；22、预测建模模块；23、 预测数据发送模块；3、统计报表子系统；31、统计信息模块；32、报表信息 模块；33、数据发送模块；4、新能源平台。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行 阐述。
本发明基于云平台的分布式光伏集群功率预测，从电网调度管理角度出 发，开发分布式光伏功率预测主站系统。以分布式光伏电站基础数据、实时数 据为基础，分布式光伏运行数据和基础数据由分布式各运行设备发送；结合数 值天气预报、先进优化算法，实现分布式光伏信息展示、分布式光伏单站功率 预测、区域功率预测、统计报表等功能。应用于电网对分布式光伏的精细化管 理，为电网调度调峰、中长期、现货的电力交易市场提供可靠的技术支撑。
如附图1所示：一种基于云平台的分布式光伏集群功率预测系统，包括云 平台子系统1、集群功率预测子系统2、统计报表子系统3以及新能源平台4， 集群功率预测子系统2采集云平台子系统1中的数据(包括测量对象的三相电 压、线电压、电流、有功功率、无功功率、功率因数等)并对(有功功率)数 据进行修订后，再将修订后的(有功功率)数据反馈给云平台子系统1，统计 报表子系统3采集集群功率预测子系统2中的(包括测量对象的三相电压、线 电压、电流、有功功率、无功功率、功率因数等)数据并对数据进行统计和保 存，再将统计和保存的数据发送至新能源平台4，新能源平台4对接收到的数 据(包括测量对象的三相电压、线电压、电流、有功功率、无功功率、功率因 数等)进行分析后再将数据反馈给统计报表子系统3进行保存,云平台子系统1 包括数据采集子系统11、天气预报子系统12、分布式数据存储子系统13以及 分布式数据处理子系统14，数据采集子系统11中的数据以及天气预报子系统 12中的数据(包括测量对象的三相电压、线电压、电流、有功功率、无功功率、 功率因数等)存储于分布式数据存储子系统13中作为一级数据，一级数据经 分布式数据处理子系统14处理后得到二级数据并将二级数据存储于分布式数 据存储子系统13中。
如附图2所示，云平台子系统1包括Hadoop的分布式模块，Pass模块，Hadoop 的分布式模块提供分布式计算的基础支撑，提供海量的数据分布式存储功能； Pass模块提供部署平台以及应用程序。
Hadoop由诸多部分组成，底层是HDFS，这是一个分布式文件系统，它存 在于集群中的每台机器上，用于存储大量的文件。HDFS的上一层是HBase数据 库与MapReduce引擎，HBase是Hadoop开发的基于HDFS的分布式数据库， MapReduce引擎由JobTrackers和TaskTrackers组成，MapReduce本身是一种 为多台计算机并行处理大量数据而设计的并行计算框架，它的出现是受到 Google开发的Map/Reduce的启发。Hadoop架构图如图3所示。
Hadoop的出现让使用者可以轻松搭建云计算平台，并在其上进行便捷的软 件开发，以实现实时、高效的大数据存储及分析计算。优点如下：
(1)高可靠性。Hadoop的容错机制及数据存储机制保障了其可靠性。
(2)高扩展性。Hadoop平台由多台具有存储和计算能为的机器集群组成， 且机器数量可根据需求动态增删。
(3)高效性。Hadoop采用就近原则进行数据的存储和计算，保证了数据 处理的髙效。
(4)高容错性。Hadoop支持数据的冗余备份及失败任务的自动重发。
如附图4所示，集群功率预测子系统2包括环境数据提取模块21、预测建 模模块22以及预测数据发送模块23，环境数据(包括实时监测温度、湿度、风 速、风向、雨量、气压、太阳辐射、环境气体、土壤温度、土壤湿度、能见度 等多种气象参数，标准RS232/485/USB通讯功能，可以通过有线连接、局域网 连接、光纤连接、Modem连接、GPRS)提取模块21采集分布式数据存储子系统 13里面的历史数值天气预报、电站气象数据以及电站实时数据，预测建模模块 22根据电站气象数据、历史数值天气预报以及电站实时数据建立预测建模模 块，并对历史数值天气预报进行预测模型数据的修订(预测模型的准确度提升 是一个实践积累过程，为了提高并保证精度，一般预测系统需要根据每个月情 况进行模型再训练。利用人工神经网络和自学习算法，做到了自动化的训练过 程，时刻训练模型，以保证最高精度)，预测数据发送模块23将预测的数据发 送给分布式数据存储子系统13中。
环境数据提取模块的工作过程是：先采集历史数值天气预报、电站实时数 据、电站气象数据，(分布式电站有功功率由电表发送，用于分布式功率预测 模型建立；所述分布式光伏运行数据和基础数据由分布式各运行设备发送；所 述数据接口包括RS485接口、RS232接口、RS422接口、串行接口)然后对采 集的数据进行数据归一化处理，处理后的数据保存至数据库，然后对数据库中 的数据进行数据提取。
其中历史数值天气预报包括预测所需直辐射、散辐射、总辐射、温度、湿 度、压力等数据，通过数据接口接入(ftp、sftp、webservice、http接口方 式)，数据时间分辨率为15min，电站实时数据包括有功功率、电流、电压等参 数，通过数据接口接入，数据分辨率一般为5min,电站气象数据包括观测站或 者气象站实测数据，包括直辐射、散辐射、总辐射、湿度、温度、压力等数据， 通过数据接口接入，数值时间分辨率一般为5min；
归一化处理的原因是光伏电站发电功率、太阳辐照度、环境温度、相对湿 度的单位各不相同，不具有可比性，因此必须统一量纲，对数据进行归一化处 理，消除由于量纲引起的不利影响，如下所示为归一化公式：
式中，X表示原始输入量数据；Xmin、Xmax分别为原始输入数据中的最 大、最小值；Y为归一化处理后的数值。
其中的数据接口包括RS485接口，RS232接口，RS422接口、串行接口。
其预测建模模块的建模方法包括物理模型方法、统计模型方法以及组合模 型方法。
其中，物理模型方法：根据光伏电站所处的地理位置，综合分析光伏电站 内部光伏电池板，逆变器等多种设备的特性，得到光伏电站出力与数值天气预 报的物理关系，对光伏电站的出力进行预测。
统计模型方法：根据光伏电站所处的地理位置，分析影响光伏电站出力的 各种气象因素，利用历史数值天气预报和历史的光伏电站出力建立神经网络模 型(采用BP神经网络建立光伏发电功率预测模型。太阳入射角度与数值天气 预报中的地面辐照强度、云量和温度是影响光伏电站出力的几个关键因素。因 此将这几个变量作为模型的输入变量,考虑光伏电站所在位置,光伏板的安装 角度、时间、季节、辐照强度和温度等多种因素的影响,将光伏电站的功率作 为光伏电站的输出变量。BP神经网络模型本质上是统计数据进行学习,找出数 据之间的规律进而进行预测。因此对训练样本进行适当的处理,剔除样本数据中的奇异数据,减少不同输入量之间的数值范围差异,能够提高神经网络的 泛化能力,并提高预测精度。)，实现对未来光伏电站出力的预测。
参见附图5：组合模型方法：该种方法的基本原理为针对被预测对象，建 立两种及以上的单一预测方法或模型，先分别进行预测，再运用某种分析方法 或标准将各单一预测模型的预测结果对比分析、优化组合，其中优化组合的方 式主要采用超级集合预报系统：其原理是在集合预报系统中引入另一个模式， 理想情况下用到的模式应该是相互独立的，这样其误差也是相互独立的。基于 此原理，最近几年发展了“多分析-多模式集合预报”系统，就是同时使用两 个或两个以上业务中心的分析场，及两个或两个以上业务中心的模式制作集合 预报。每个模式都有其自身的集合预报系统，然后把这几个子集合预报加在一起成为总集合预报，称之为多分析多模式集合预报。)逐层建立起一种新的组 合预测模型。通过这种方法可有效的提高预测精度，达到预期目的。组合预测 法的特点之一是其可以有效的降低对单一预测方法精度的依赖性。当采用单一 预测方法进行预测时，最适合的预测方法就显得的尤为重要。若选取不当，则 会造成一定的预测风险，而组合预测模型就可以避免这种风险发生。特点之二 为其可以利用各单一预测方法之间的互补性，实现在精度上有所提高。
其中集合预报的产品可分为确定性预报产品、预报可信度产品以及所有可 能出现的天气状态。其中确定性产品包括集合预报平均。预报可信度产品包含 离散度以及要素概率预报。大气所有可能状态包含概率烟羽图、“邮票图”、聚 类图以及面条图。
a)集合预报平均
其表示真实大气中最有可能出现的一个预报值。计算算术平均EM的公式 如下所示，其中R为要素，N为集合预报的成员数。
b)集合预报离散度(SPREAD)
其代表预报的可信度，离散度越小，表示预报的可信度越高。集合预报 成员与集合平均(或控制预报)的均方根误差可以用以下公式来计算。其 中，R表示要素，表示集合预报平均，N表示预报成员数。
集合预报平均和离散度是对集合预报信息的最简洁描述，可以分析预报区 域的大气状态。同时，集合平均的预报技巧大于单个成员，而离散度给出了预 报不确定性的定量指标。但是，集合预报平均掩盖了预报细节，离散度虽然可 以补充集合平均的预报信息，但也需要结合更多的工具)。本专利创新点重点 采用此种组合建模方法建立预测建模模块。
如附图6所示，举例解释分布式发电总功率的预测算法：以电网结构为基 础，细分到某110/35kV变电站某条10kV线路，结合预测区域的气候特征、该 10kV线路380/220V分布式电站日/月发电量历史数据、10kV以上分布式电站 历史和实发数据，根据预测时间尺度的不同和实际应用的具体要求，采用多种 且适当的预测方法构建特定的预测模型，得到分布式电站的功率预测再进行加 和，进而得到某条10kV线路区域分布式发电总功率。
如附图7所示：统计报表子系统3包括统计信息模块31、报表信息模块 32以及数据发送模块33，统计信息模块31将分布式光伏功率预测信息、实发 功率信息进行数据统计，报表信息模块32将分布式光伏功率统计数据、气象 统计数据进行保存，数据发送模块33将分布式光伏功率统计数据以及气象统 计数据发送至新能源平台4。
新能源平台4，其中新能源平台4为电网省级新能源平台。
如附图8所示：数据采集子系统11包括数据通信采集模块和数据发送模 块，数据通信采集模块通过接口接收需求数据，数据发送模块将接收到的数据 发送给分布式数据存储子系统13。
其中需求数据具体包括：分布式光伏内设备(含监视、测量、电表等)数 据的接入，分布式光伏环境检测仪设备数据的接入。
数据采集子系统采集包括分布式光电电站遥测数据、分布式光伏电站遥信 数据以及分布式光伏环境监测仪遥测数据，其中分为遥测点的数据采集以及遥 信量的采集(采用104、102规约实现采集)，遥测点的采集包括测量对象的三 相电压、线电压、电流、有功功率、无功功率以及功率因数等，以及有功电度， 无功电度等电度量等，而遥信量的采集，包括各种开关、刀闸、接触器的合、 分状态，其中环境监测仪主要测量气象总辐照度、直辐照度、温度、湿度、大 气压强、风速、风向等。
参见附图9：天气预报子系统12包括气象数据源模块121、WRF模式计算 模块122以及气象数据同化模块123，气象数据源模块121接入气象数据源及 地形地貌作为历史观测气象数据，WRF模式计算模块122整合各种天气数据， 经计算和推演计算出待测区域中每个立体网格上的气象数据指标值，气象数据 同化模块123对历史观测气象数据进行计算，最终得到天气预报气象数据。
WRF模式系统的开发计划是在1997年由NCAR中小尺度气象处、NCEP的环境 模拟中心、FSL的预报研究处和奥克拉荷马大学的风暴分析预报中心四部门联 合发起建立的，并由国家自然科学基金和NOAA共同支持。现在，这项计划， 得到了许多其他研究部门及大学的科学家共同参与进行开发研究。
如附图10以及附图11所示：WRF模式系统将成为改进从云尺度到天气尺度 等不同尺度重要天气特征预报精度的工具。模式将结合先进的数值方法和资料 同化技术，采用经过改进的物理过程方案，同时具有多重嵌套及易于定位于不 同地理位置的能力。重点考虑1－10公里的水平网格。本专利采用3×3km中小 尺度水平网格，获得的高时空分辨率的格点数据包含多种气象要素，最终获得 高精度的高分辨率目标地区各种气象要素的气候网络。WRF计算流程分为数据预 处理、模式前处理系统，模式系统主体部分和模式后处理及可视化四个步骤。
备注：OBSGRID与WPS为前期数据处理工具，前期数据处理根据不同数据输 入主要会用到此两种工具，WRF为主模式计算模块部分，NCL、RIP4、GrADs均为 可视化工具；
数据预处理部分主要是指准备模式所需数据，包括模拟区域内地形、地貌 等静态数据以及背景场数据等，还包括常规及非常规观测资料的处理过程。 WRF模式的前处理系统为WPS部分，主要用于实时数值模拟。包括：定义模拟 区域、插值地形数据到模拟区域、从其他模拟结果中网格插值气象数据到该模 拟区域。(数值模拟是根据大气动力学和热力学基本方程组，应用数值积分的 方法，对未来的天气形势和气象要素做出预报，即根据大气的实际情况，在一 定的初值和边界条件下，通过大型计算机做数值计算，求解描写天气演变过程 的方程组。中小尺度的数值模拟将大尺度的预报场、再分析、实测等，通过多 种参数化方案，动力求解达到物理降尺度，所遵循的基本方程组：
p＝ρRT
R＝RD(1+0.608q3)
式中的ql、q2及q3分别代表固态、液态和气态水的比湿；Sθ、San及Sχm分 别为热量的源汇、水份的源汇项及气溶胶的源汇项；而M代表大气中除水汽以 外的气溶胶物质的种类。Rd是干空气的气体常熟，并对以上方程组进行量纲 的简化。)模式的主体部分是模式系统的关键，他由实时同化以及数值积分的 初始化程序组成。主要完成根据不同的物理过程选择适当的方案进行预报或模 拟工作。
后处理部分包括RIP4、NCL以及其他作图软件包括GrADS转换程序，用以将 模式系统结果进行处理、诊断并显示出来。(前处理及后处理是WRF模式的处理 工具，前处理将多种气象数据处理成WRF模式需要输入的数据格式，后处理是是 将WRF模式计算的结果进行可视化展示的工具)
模式中有单向嵌套和双向嵌套两种选择。单向嵌套方案中，大尺度和小尺 度(水平尺度的不同分为大尺度(水平尺度大于2000km)、中尺度(水平尺度 2-2000km)和小尺度(水平尺度小于2km)的大气运动被分开来计算，两者之间 没有沟通；双向嵌套方案考虑了小尺度大气运动对大尺度运动的反馈，并且同 时考虑了不同波形在粗细边界中的数值震荡和反射带来的影响。粗网格(和细 网格同时运算。在每个时间步长，粗网格从模式外部得到边界条件，进行积分 计算；然后把结算结果传递给细网格作为边界条件，细网格在同一个时间步长 里进行积分计算；同时，细网格将计算结果反馈给粗网格。本专利采用三重嵌套方案，模式最细网格水平分辨率选择3×3km.本研究的主要区域示意图如下， 最外层方框为WRF模式三层双向嵌套的最外层。
参见附图12：分布式数据处理子系统14包括数据质量校验模块、数据处 理模块以及数据统计模块，数据质量校验模块将分布式光伏环境监测仪采集的 数据和实时采集到的有功功率、电压等数据进行完整性、合理性校验，并将数 据按照正确、缺失、越限、死数四类进行标记，数据处理模块将对缺失、越限 以及死数三类按照数据处理方法进行处理后存入数据库，数据统计模块将按照 缺失率、越限率、死数率以及正确率对全部数据进行统计分析。
参见附图13：分布式数据存储子系统13包括预测数据库131、实时数据 库132、历史数据预处理模块133以及历史数据库134，预测数据库131接收 天气预报气象数据和功率预测模型中的数据，实时数据库132接收分布式光伏 电站实时运行数据，环境检测仪气象数据，历史数据预处理模块133接收来分 布式数据处理子系统14处理后的数据并存入历史数据库134，历史数据库134 存储整个归档后的实时数据、预测数据以及处理后数据。
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘 述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例， 本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加 或替换，也应属于本发明的保护范围。
Claims (7)
1.一种基于云平台的分布式光伏集群功率预测系统，其特征在于，包括云平台子系统(1)、集群功率预测子系统(2)、统计报表子系统(3)以及新能源平台(4)，所述云平台子系统(1)包括数据采集子系统(11)、天气预报子系统(12)、分布式数据存储子系统(13)以及分布式数据处理子系统(14)，所述数据采集子系统(11)中的采集数据以及所述天气预报子系统(12)中的气象数据存储于所述分布式数据存储子系统(13)中作为一级数据，所述一级数据经所述分布式数据处理子系统(14)处理后得到二级数据并将所述二级数据存储于所述分布式数据存储子系统(13)中，所述集群功率预测子系统(2)采集所述分布式数据存储子系统(13)中的二级数据并对二级数据进行修订后得到功率预测模型中的数据，再将功率预测模型中的数据反馈给所述分布式数据存储子系统(13)，所述统计报表子系统(3)采集所述集群功率预测子系统(2)中的功率预测模型中的数据并对所述功率预测模型中的数据进行统计和保存，再将统计和保存的功率预测模型中的数据发送至所述新能源平台(4)，所述新能源平台(4)对接收到的功率预测模型中的数据进行分析后再将该数据反馈给所述统计报表子系统(3)进行保存。
2.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述集群功率预测子系统(2)包括环境数据提取模块(21)、预测建模模块(22)以及预测数据发送模块(23)，所述环境数据提取模块(21)采集所述分布式数据存储子系统(13)里面的历史数值天气预报、电站气象数据以及电站实时数据，所述预测建模模块(22)根据所述电站气象数据、所述历史数值天气预报以及电站实时数据建立预测建模模型，并对所述历史数值天气预报进行预测数据的修订，所述预测数据发送模块(23)将预测的数据发送给所述分布式数据存储子系统(13)中。
3.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述数据采集子系统(11)包括数据通信采集模块和数据发送模块，所述数据通信采集模块通过数据接口接收需求数据，所述数据发送模块将接收到的数据发送给所述分布式数据存储子系统(13)。
4.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述天气预报子系统(12)包括气象数据源模块(121)、WRF模式计算模块(122)以及气象数据同化模块(123)，所述气象数据源模块(121)接入气象数据源及地形地貌作为历史观测气象数据，所述WRF模式计算模块(122)整合各种天气数据，经计算和推演计算出待测区域中每个立体网格上的气象数据指标值，所述气象数据同化模块(123)对所述历史观测气象数据进行计算，最终得到天气预报气象数据。
5.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述分布式数据处理子系统(14)包括数据质量校验模块、数据处理模块以及数据统计模块，所述数据质量校验模块将分布式光伏环境监测仪采集的数据和实时采集到的有功功率、电压等数据进行完整性、合理性校验，并将数据按照正确、缺失、越限、死数四类进行标记，所述数据处理模块将对缺失、越限以及死数三类按照数据处理方法进行处理后存入数据库，所述数据统计模块将按照缺失率、越限率、死数率以及正确率对全部数据进行统计分析。
6.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述分布式数据存储子系统(13)包括预测数据库(131)、实时数据库(132)、历史数据预处理模块(133)以及历史数据库(134)，所述预测数据库(131)接收所述天气预报气象数据和所述功率预测模型中的数据，所述实时数据库(132)接收分布式光伏电站实时运行数据，环境检测仪气象数据，所述历史数据预处理模块(133)接收来所述分布式数据处理子系统(14)处理后的数据并存入所述历史数据库(134)，所述历史数据库(134)存储整个归档后的实时数据、预测数据以及处理后数据。
7.根据权利要求1所述的基于云平台的分布式光伏集群功率预测系统，其特征在于，所述统计报表子系统(3)包括统计信息模块(31)、报表信息模块(32)以及数据发送模块(33)，所述统计信息模块(31)将分布式光伏功率预测信息、实发功率信息、分布式光伏功率统计数据、气象统计数据进行数据统计，所述数据发送模块(33)将所述分布式光伏功率统计数据以及所述气象统计数据发送至所述新能源平台(4)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410091.9A CN110416996A (zh) | 2019-05-16 | 2019-05-16 | 一种基于云平台的分布式光伏集群功率预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910410091.9A CN110416996A (zh) | 2019-05-16 | 2019-05-16 | 一种基于云平台的分布式光伏集群功率预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110416996A true CN110416996A (zh) | 2019-11-05 |
Family
ID=68358175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910410091.9A Pending CN110416996A (zh) | 2019-05-16 | 2019-05-16 | 一种基于云平台的分布式光伏集群功率预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110416996A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
| CN113900370A (zh) * | 2021-09-30 | 2022-01-07 | 万帮数字能源股份有限公司 | 用于光伏系统的时间校准方法、时间校准装置和光伏系统 |
| CN116760028A (zh) * | 2023-08-14 | 2023-09-15 | 长江三峡集团实业发展(北京)有限公司 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636076A (zh) * | 2019-02-14 | 2019-04-16 | 国能日新科技股份有限公司 | 一种分布式光伏功率预测主站系统 |
-
2019
- 2019-05-16 CN CN201910410091.9A patent/CN110416996A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636076A (zh) * | 2019-02-14 | 2019-04-16 | 国能日新科技股份有限公司 | 一种分布式光伏功率预测主站系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王尔玺 等: ""基于云平台的分布式新能源监控数据分析方法研究"", 《能源与环保》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
| CN112761896B (zh) * | 2020-09-24 | 2024-05-14 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
| CN113900370A (zh) * | 2021-09-30 | 2022-01-07 | 万帮数字能源股份有限公司 | 用于光伏系统的时间校准方法、时间校准装置和光伏系统 |
| CN113900370B (zh) * | 2021-09-30 | 2022-11-08 | 万帮数字能源股份有限公司 | 用于光伏系统的时间校准方法、时间校准装置和光伏系统 |
| CN116760028A (zh) * | 2023-08-14 | 2023-09-15 | 长江三峡集团实业发展(北京)有限公司 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102570453B (zh) | 基于多套数值天气预报源的短期风电功率预测方法及系统 | |
| CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
| Wang et al. | Reliable-economical equilibrium based short-term scheduling towards hybrid hydro-photovoltaic generation systems: Case study from China | |
| CN109934402A (zh) | 一种风电场集控中心集中风功率预测系统及其设计方法 | |
| CN112329977A (zh) | 一种面向极端场景的风电功率预测系统 | |
| Kato | Prediction of photovoltaic power generation output and network operation | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
| CN201413997Y (zh) | 风电功率预测系统 | |
| CN110416996A (zh) | 一种基于云平台的分布式光伏集群功率预测系统 | |
| CN101794996A (zh) | 风电场出力实时预测方法 | |
| CN112968441B (zh) | 一种应用于大规模风电基地的电网规划方法 | |
| CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
| CN109636076A (zh) | 一种分布式光伏功率预测主站系统 | |
| Javed et al. | Predicting solar irradiance using machine learning techniques | |
| CN114977490A (zh) | 一种新能源发电监控平台 | |
| CN113128786A (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
| Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
| CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
| CN104008284A (zh) | 测风塔在数值天气预报中的校正方法 | |
| Carlini et al. | Physical and statistical downscaling for wind power forecasting | |
| Zhang et al. | Graph neural network based short-term solar irradiance forcasting model considering surrounding meteorological factors | |
| Deng et al. | A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas | |
| Panjwani et al. | Short-term solar and wind generation forecasting for the western region of india | |
| Alhaddad et al. | Aiming for smart wind energy: A comparison analysis between wind speed forecasting techniques | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |